MétaCan
Menu
Retour à la cohorte
Enregistrement W3123160680 · doi:10.20944/preprints201904.0002.v1

Colorimetric Detection of Mercury Ions in Water with Capped Silver Nanoprisms

2019· preprint· en· W3123160680 sur OpenAlexafffund
Fouzia Tanvir, Atif Yaqub, Shazia Tanvir, Ran An, William A. Anderson

Notice bibliographique

RevuePreprints.org · 2019
Typepreprint
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueAdvanced biosensing and bioanalysis techniques
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesOntario Centres of Excellence
Mots-clésMercury (programming language)Detection limitReagentChemistryIonNanoparticleMetal ions in aqueous solutionGalvanic cellSilver nanoparticleNanotechnologyInorganic chemistryMaterials scienceChromatographyOrganic chemistryComputer science

Résumé

récupéré en direct d'OpenAlex

The emission of mercury (II) from coal combustion and other industrial processes continues to be a concern and have local impact on water resources.  The detection of these ions in water with sensitive but rapid testing methods is desirable for environmental screening and fieldwork.  Nanoparticles of various chemistries have shown promise for this purpose, as they can be used in simple colorimetric analyses. Silver nanoprisms were chemically synthesized resulting in a blue reagent solution, that transitioned towards yellow and colorless solutions when exposed to Hg2+ ions at various concentrations. A rapid galvanic reduction of Hg2+ onto the nanoprism surfaces is apparently responsible for a change in shape towards spherical nanoparticles, leading to the change in color. There were no interferences by other metal ions in solution, and pH had minimal effect in the range of 6.5 to 9.8. The silver nanoprism reagent provided a detection limit of approximately 0.5 µM (100 µg/L) for mercury (II), which compares favorably with other nanoparticle-based techniques. Further optimization may reduce this detection limit.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,053
Score d'incertitude au seuil0,973

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,001
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,033
Tête enseignante GPT0,305
Écart entre enseignants0,272 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations5
Publié2019
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revuePreprints.orgMême sujetAdvanced biosensing and bioanalysis techniquesTravaux en français237 207